semi_supervised classification with graph convolutional networks论文阅读报告(1)

最新推荐文章于 2024-04-11 11:07:33 发布
最新推荐文章于 2024-04-11 11:07:33 发布
阅读量7.9k 收藏 19
点赞数 7
分类专栏： 深度学习，graph CNN，论文阅读，network
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/u013263329/article/details/77587078
版权

来来来，下一篇。

这篇论文的作者写了一篇博客，介绍了这篇文章的来龙去脉：GRAPH CONVOLUTIONAL NETWORKS 

论文作者已经写得挺详细了，我为啥还要写这篇博客呢？因为我发现作为一个小白，很多地方是不懂的，所以我想把自己的思路和问题写下来。

这样，我也有个自己的记录，以后回看起来，原来我曾经也看过这些东西，也给做同一个方向的同伴们一个参考~如果错误，请指正。

一、论文对graph cnN的卷积过程用非线性函数表示，推导出由光谱图卷积 到 本文卷积网络结构的过程。

最低0.47元/天 解锁文章
曦姐no小库
关注
  • 7
    点赞
  • 踩
  • 19
    收藏
    觉得还不错? 一键收藏
  • 6
    评论
专栏目录
SEMI-SUPERVISED CLASSIFICATION WITH GRAPH CONVOLUTIONAL NETWORKS
abrams90的专栏
12-02 926
Abstract 本文提出了一种基于卷积神经网络的可扩展半监督学习方法，该方法可以直接对图进行学习。我们通过图卷积的局部一阶近似来进行卷积结构的选择。我们的模型在图边缘数量上线性扩展，并且学习了编码局部图结构和节点特征的隐层表示。在引用的网络和知识图数据集上的大量实验表明，我们的方法比相关方法有显著的优势。 1、Introduction 我们考虑在图(如引用网...
[GCN] 代码解析 of GitHub：Semi-supervised classification with graph convolutional networks
01-21
本文解析的代码是论文Semi-Supervised Classification with Graph Convolutional Networks作者提供的实现代码。 原GitHub：Graph Convolutional Networks in PyTorch 本人增加结果可视化 (使用 t-SNE 算法) 的GitHub：Visualization of Graph Convolutional Networks in PyTorch。本文作代码解析的也是这一个。 文章目录train.py函数定义版本兼容路径初始化所需要的函数库显示超参数函数：show_Hyperparameter(arg
Semi-Supervised Classification With Graph Convolutional Networks
I‘m Frank Lee
11-09 3299
图卷积网络的半监督分类 提升了图卷积的性能，使用切比雪夫多项式的1阶近似完成了高效的图卷积架构。原文链接：Semi-Supervised Classification with Graph Convolutional Networks. Kipf & Welling 2017 一开始就提出， 2Fast Approximate Convolutions On Graphs 介绍基...
图卷积网络 Semi-supervised Classification with Graph Convolutional Networks
最新发布
chumingqian的博客
04-11 143
namedGCN.在这篇文章中，我们将仔细研究一个名为 GCN 的著名图神经网络之一。首先，我们将获得直觉，看看它是如何工作的，然后我们将更深入地了解它背后的数学原理。
【图卷积网络】Semi-Supervised Classification with Graph Convolutional Networks
扬帆·启航
03-16 2742
将卷积扩展到图结构的数据中，能够得到比较好的数据表示，并且在半监督任务中也取得了不错的效果。
GCN经典论文笔记：Semi-Supervised Classification with Graph Convolutional Networks
qq_44624316的博客
05-10 5454
GCN开山之作论文解读：《SEMI-SUPERVISED CLASSIFICATION WITH GRAPH CONVOLUTIONAL NETWORKS》
semi -supervised classification with graph convolutional networks学习必记
01-07
当K=1 时有两个参数,模型scales linearly in the number of graph edges ,同时可以表征局部图结构和节点的特征： 3. 半监度节点分类模型 本文模型优缺点 WlW^lWl在各个顶点共享，与顶点个数无关，可以用于大...
2019-自动化所-Semi-supervised Node Classification via Hierarchical G
08-04
2019-自动化所-Semi-supervised Node Classification via Hierarchical Graph Convolutional Networks-相似点聚超级，先粗后细-rrrr-实习1
jax-gcn:JAX 中的图卷积网络
05-30
如果您在研究中使用它，请引用该论文： @article{kipf2016semi, title={Semi-Supervised Classification with Graph Convolutional Networks}, author={Kipf, Thomas N and Welling, Max}, journal={arXiv prepri
GCN开山之作精读，主观翻译和详细公式推导，半监督图节点学习问题
05-16
最近在阅读GCN网络的文献《SEMI-SUPERVISED CLASSIFICATION WITH GRAPH CONVOLUTIONAL NETWORKS》，有一些收获，想分享给大家，希望对大家有帮助。我会主观翻译前半部分内容，并把我当时陷入思考的句子进行解释，...
【[GCN]semi-supervised classification with graph convolutional networks】
weixin_45840199的博客
02-10 693
提出了一种可扩展的图结构数据的半监督学习方法，该方法基于直接在图上操作的卷积神经网络的有效变体。通过光谱图卷积的局部一阶近似来激发我们的卷积体系结构的选择。我们的模型在图边的数量上呈线性扩展，并学习编码局部图结构和节点特征的隐藏层表示。在引文网络和知识图数据集上的许多实验中，我们证明了我们的方法显著优于相关方法。
图卷积网络(Graph Convolutional Networks, GCN)详细介绍
热门推荐
qq_43787862的博客
02-17 8万+
本文翻译自博客。 在这篇博文中会为大家详细地介绍目前使用广泛的图神经网络——图卷积网络(Graph Convolutional Networks, GCN)的相关知识。首先将带领大家直觉上感受其工作原理，然后再介绍更深层的数学原理。 为什么要使用图(Graph)？ 很多问题在本质是都可以表示为图的形式。在真实世界中，我们会发现很多数据其实是以图的形式存在的，比如分子网络，社交网络以及论文引用网络等等。 基于图的任务 针对图数据，通常有以下几种比较常见的任务类型： 结点分类(Node classificat
论文阅读笔记：Graph Convolutional Networks for Text Classification
Jiangshang_jiu
03-11 1537
基于GCN的文本分类方法。
Semi-supervised classification with graph convolutional networks
BUPT-WT的博客
01-27 3697
研究意义: 1、在拓扑图中 可以有效的提取空间特征 2、拓扑图中每个顶点的相邻顶点数目可能不同，所以不能用同样大小的卷积核进行卷积操作 本文主要结构如下所示: 一、Abstract 提出将卷积操作应用到图上，通过图频域的近似分析来建模学习图的局部结构和结点特征。 二、Introduction 介绍图上结点分类的半监督问题，通过神经网络学习结点的表式，半监督定义loss function ，提出了图上神经网络传播规则并将其与图频域分析联合起来 三、Fast Approxima...
图卷积网络之Semi-supervised Classification with Graph Convolutional Networks
画心
03-02 3981
Semi-supervised Classification with Graph Convolutional Networks 文章是一片使用谱图卷积的一节近似方法简化一种有效的卷积神经网络的直接应用在图上的变体, 实现对于图结构数据的半监督学习,  We motivate the choice of our convolutional architecture via a loc...
论文解读：Graph Convolutional Networks for Text Classifification
夏栀的博客
08-06 1567
论文解读：Graph Convolutional Networks for Text Classifification   先前的文本分类方法是基于CNN或RNN进行的，只能单独的对文本自身的上下文进行语义提取，而不能够对文本之间的相关信息进行表示。随着图结构在NLP领域的大放光彩，将图引入文本分类是新的思路。 一、简要信息 序号 属性 值 1 模型名称 Text-GCN 2 所属领域 自然语言处理 3 研究内容 文本分类 4 核心内容 Text Classification,
论文阅读总结（Graph Convolutional Networks for Text Classification）
shandler的博客
11-23 1721
Graph Convolutional Networks for Text Classification（用于文本分类的图卷积网络） 论文：https://arxiv.org/abs/1809.05679v1 推荐继续阅读：Every Document Owns Its Structure: Inductive Text Classification via Graph Neural Networks 摘要：作者介绍了其TextGCN的方法，作者在语料库中构建图，其构图方式是：词节点与词节点之间连边，同时词
Kipf-GCN《Semi-Supervised Classification With Graph Convolutional Networks》论文详解
November、Chopin
10-05 1271
Kipf-GCN《Semi-Supervised Classification With Graph Convolutional Networks》论文详解
SEMI-SUPERVISED CLASSIFICATION WITH GRAPH CONVOLUTIONAL NETWORKS 代码
07-27
很抱歉，根据提供的引用内容，我无法提供关于"SEMI-SUPERVISED CLASSIFICATION WITH GRAPH CONVOLUTIONAL NETWORKS"代码的信息。引用的内容主要介绍了图上结点分类的半监督问题以及相关的研究方法和改进。如果您需要获取该代码，建议您查阅相关的学术论文或者在开源代码平台上搜索相关的项目。 #### 引用[.reference_title] - *1* [Semi-supervised classification with graph convolutional networks](https://blog.csdn.net/weixin_41362649/article/details/113232898)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v91^insert_down28v1,239^v3^insert_chatgpt"}} ] [.reference_item] - *2* [Kipf-GCN《Semi-Supervised Classification With Graph Convolutional Networks》论文详解](https://blog.csdn.net/u012762410/article/details/127177181)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v91^insert_down28v1,239^v3^insert_chatgpt"}} ] [.reference_item] - *3* [Semi-Supervised Classification with Graph Convolutional Networks](https://blog.csdn.net/m0_37924639/article/details/124884547)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v91^insert_down28v1,239^v3^insert_chatgpt"}} ] [.reference_item] [ .reference_list ]

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 6
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值